機器視覺行業(yè)的最新趨勢與挑戰(zhàn)

隨著技術的進步和智能工廠的發(fā)展，過去十年中機器視覺設備發(fā)生了翻天覆地的變化。亞太地區(qū)將繼續(xù)成為全球最大的市場，到2022年將占收入的38.4％。在技術、靈活性、效率和準確性方面表現(xiàn)出高度創(chuàng)新的機器視覺供應商，將在不斷發(fā)展的市場中取得最大的成功。

雖然全球經(jīng)濟的不確定性將對機器視覺行業(yè)產(chǎn)生影響，但行業(yè)協(xié)會和專家普遍認為不會造成嚴重損害。伴隨著深度學習軟件，嵌入式視覺等硬件平臺有望蓬勃發(fā)展。工廠層面上的傳統(tǒng)應用也將保持強勁增長。

1.嵌入式視覺將繼續(xù)增長

得益于在越來越多的行業(yè)應用中獲得支持，嵌入式視覺將在2019年持續(xù)高速增長，例如自動駕駛、生命科學、消費電子、邊境監(jiān)視和農(nóng)業(yè)等。處理能力大幅增強，內(nèi)存變得非常便宜，用戶可以選擇一個非常小的攝像頭，并利用來自不同來源的云端數(shù)據(jù)。當您將這些因素與機器學習結(jié)合到一個單獨的軟件包中時，您就有了嵌入的視覺。

客戶希望系統(tǒng)集成商為其開發(fā)整個嵌入式視覺系統(tǒng)。嵌入式視覺將智能相機帶向其初衷，即在一個非常小的外殼內(nèi)，盡可能靠近圖像傳感器，進行圖像處理視頻分析。為了應對嵌入式視覺市場，開發(fā)了從相機設計到FPGA編程的專業(yè)知識，以便在低成本、低功耗的平臺中快速提供特定于應用程序的解決方案，該平臺可以集成人工智能和深度學習功能。

設計一個對客戶有吸引力的系統(tǒng)是嵌入式視覺的最大挑戰(zhàn)。通過低成本、低功耗設備，能夠?qū)⒖蛻粼跈C器視覺領域中的所有功能放到非常小的外形尺寸中，這是一項任務艱巨的研發(fā)挑戰(zhàn)。AIA副總裁Alex Shikany說，向消費者介紹完全不同的硬件解決方案并不件容易的事情，但最終的希望是，客戶將以某種方式對更用戶友好、更小、最終成本更低的產(chǎn)品做出響應。

在許多使用案例中，傳統(tǒng)機器視覺都無法與嵌入式視覺競爭。機器視覺數(shù)據(jù)不再局限于自己的孤島中，包括機器視覺的全自動系統(tǒng)有許多傳感器和運動組件，使我們能夠收集數(shù)據(jù)，以便更好地了解系統(tǒng)內(nèi)設備的運行效率。

2.深度學習的更多應用

機器視覺的深度學習一直處于主要顛覆性技術的前沿。2019年可能會是該技術趨于成熟的一年，可以進行更廣泛的部署?！叭绻阃渡碛跈C器視覺行業(yè)，你可能已經(jīng)看到了軟件如何與深度學習算法疊加，以及它如何能夠快速地產(chǎn)生結(jié)果的演示。”Shikany說，“這些系統(tǒng)可以運行成千上萬的排列，并且在識別和其他應用程序歷史與機器視覺方面達到100％的準確性?！?/span>

深度學習將對傳統(tǒng)的圖像分析方法產(chǎn)生深遠的影響。它不僅會改變我們生產(chǎn)的產(chǎn)品，還會改變我們與客戶互動的方式。深度學習將在解決傳統(tǒng)機器視覺無法解決的應用方面發(fā)揮重要作用。例如，在冷凍干燥的小瓶中檢查疫苗，每次結(jié)果都有很大差異，這很大程度上取決于它們的干燥方式。進采用傳統(tǒng)檢查過程非常具有挑戰(zhàn)性，因為在一個實例中可能是一個粒子看起來非常類似于裂縫，而深度學習則有助于區(qū)分這種細微差異。

3. 提升非可見光成像的有效性

雖然深度學習可能是從圖像中收集信息的最新方式，但它并不是唯一的選擇。 InGaAs短波紅外（SWIR）相機和照明的進步提高了非可見成像的有效性。 在這些更高波長的環(huán)境中，你可以實現(xiàn)更多應用，比如透過一塊航空公司機翼的復合材料來查找其內(nèi)部缺陷。我們現(xiàn)在正在把高功率的SWIR LED引入市場，用于高速機器視覺應用。

機器視覺的挑戰(zhàn)

智能傳感器、智能攝像頭和可配置視覺系統(tǒng)在很大程度上消除了對機器視覺系統(tǒng)開發(fā)的需求，目前最常見的應用程序是通過現(xiàn)成的即插即用技術完成的。過去十年來，智能相機的功能越來越強大，照明公司提供的產(chǎn)品范圍也越來越廣。然而，隨著軟件變得越來越強大，價格不斷下降，軟件包的互連和標準化仍存在問題。

不同的公司對相同的事情使用不同的術語。即使是像以太網(wǎng)這樣的標準化通信，在公司之間也存在巨大的差異，而且在視覺行業(yè)也沒有真正推動開放的軟件標準。

今天的視覺產(chǎn)品可以滿足大多數(shù)應用程序的需求，隨著技術和客戶需求的發(fā)展，系統(tǒng)集成商必須保持清醒。例如，在3D成像市場，硬件創(chuàng)新先于軟件創(chuàng)新。盡管有許多3D傳感器和攝像頭可用，例如激光三角測量、偽隨機圖形發(fā)生器的立體傳感器等，但要想實現(xiàn)快速的系統(tǒng)開發(fā)，在開發(fā)工具鏈中存在很大的空白?！?/span>

例如，很多OEM廠商目前使用開放式標準3D傳感器，從頭開始編程應用程序，或使用“封閉式”系統(tǒng)來進行工具的配置，這些工具通常成本高昂。也許需要一個具有現(xiàn)場可編程門陣列（FPGA）的3D傳感器，用于高速機載圖像處理，使非FPGA程序員能夠在一個軟件包中部署3D圖像處理算法。另一個挑戰(zhàn)是從人工智能和深度學習中獲取信息的能力。最大的挑戰(zhàn)是將炒作與實質(zhì)區(qū)分開來。而現(xiàn)實是，“很多人工智能和深度學習算法有時過于繁瑣?！?nbsp;

雖然機器視覺應用程序受益于深度學習算法，但這些算法無法解決所有問題。與傳統(tǒng)編程相比，當人們比較試圖達到99%以上的精度所需的努力時，這一點尤其明顯。盡管如此，這項技術肯定有它的地位，并將在未來幾年繼續(xù)發(fā)揮重要作用。